Exploring Desired Features of Mobile Health Apps for Patients With Diabetes to Enhance Engagement and Self-Management: Qualitative Study
Notice bibliographique
Résumé
Background: Diabetes mellitus (DM) is a chronic condition requiring effective self-management to maintain glycemic control and prevent complications. Mobile health (mHealth) apps offer potential solutions by providing real-time monitoring, personalized feedback, and educational resources. However, their long-term adoption is hindered by a lack of user involvement in the development process and insufficient cultural adaptation. This study aims to explore the perspectives of patients with DM in Hong Kong on the functionalities and features of mHealth apps, highlighting the importance of tailoring these apps to meet local cultural needs. Objective: The objective of this study is to understand the views of patients with DM on the development of mHealth apps and the demand for app functions in order to provide a basis for the development of DM prevention apps. Methods: This descriptive qualitative study conducted semi-structured interviews with 10 patients with DM attending a District Health Centre in Hong Kong in May 2024, using a purposive sampling strategy. The transcribed data were analyzed by the inductive content analytical method, and themes were extracted with the aid of NVivo (version 15.0; QSR International) software. Results: In total, 7 key themes were identified: accurate information resources, automatic tracking and monitoring of health metrics, reminders, personalized customization options, intuitive usability, efficient data-sharing capabilities, and interactive design. Additionally, the study emphasizes the importance of cultural adaptation and the potential of artificial intelligence-enabled mHealth apps to enhance personalized information delivery. Ensuring the credibility and professionalism of information sources is also essential. Conclusions: The results provide valuable insights for enhancing the self-management capabilities of patients with DM and inform the future development of mHealth apps focused on DM prevention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».